Existen dos tipos básicos de enfoques para controlar la navegación de un robot
móvil: técnicas globales y locales. En las técnicas globales, como son los métodos geométricos, la programación dinámica o los métodos de campo de potencial (ver en [Latombe, 1991] resumen y referencias complementarias) se asume totalmente conocida la descripción geométrica del entorno en el que se va a mover el robot. Se trata de métodos potentes y eficaces para generar tanto, trayectorias a seguir como secuencias de comandos a ejecutar. Son métodos usados para el control de robots que trabajan en entornos sin ninguna variabilidad y que realizan tareas repetitivas en las que se conocen en todo momento el valor de todas sus variables de estado. Los métodos locales o reactivos, por el contrario, consideran que el robot va a moverse en un entorno no conocido a priori y proporcionan unas conductas estándar para reaccionar ante lecturas de los sensores del robot (evitar obstáculo, seguir pared, entrar en puerta, alinearse con Técnicas previas para el control local
Entre las propuestas de control local, cabe destacar el enfoque del
histograma de campo vectorial El enfoque de esquemas motores, pese a ser el más genérico, es muy complejo de llevar a la práctica por el gran número de parámetros que deben ser ajustados en las ecuaciones de control del robot. Un problema añadido de ambos métodos es que obtienen los comandos del robot en dos fases separadas. Por otra parte, los enfoques de Simmons y Fox han demostrado ser capaces de controlar con éxito robots móviles que actúan en entornos de oficina con gran cantidad de obstáculos y personas en movimiento (una universidad en el primer caso, y un museo en el segundo). Control local basado en Reconocimiento estadístico de situaciones
En la propuesta que presentamos en este trabajo formulamos el problema
del control local de un robot móvil como un problema de reconocimiento de situaciones. Para obtener muestras de aprendizaje de un funcionamiento correcto del esquema optimizamos una función que considera la trayectoria seguida por el robot, tanto en el espacio cartesiano como en el espacio de velocidades lineales y angulares, y que premia trayectorias consistentes con el esquema. ejemplo, para un esquema seguir-pared consideramos que la distancia cartesiana a la pared debe ser pequeña y uniforme, premiando aquellas trayectorias con mayores velocidades lineales. Generación de comportamientos
Los algoritmos genéticos son métodos de búsqueda y optimización
inspirados en mecanismos de tipo biológico se han adoptado hasta la fecha realizan una búsqueda de trayectorias considerándolas simplemente como secuencias de coordenadas espaciales sin tener en cuenta la dinámica del control del robot. Esta sección describe las ecuaciones de movimiento fundamentales de un robot definiendo la componente dinámica del control del mismo Generación de trayectorias mediante algoritmos genéticos
Los algoritmos genéticos parten de una población inicial que se suele
generar de manera aleatoria y que representa un conjunto de posibles soluciones En el problema de la generación de trayectorias óptimas, la elección del uso de algoritmos genéticos se fundamenta en dos razones principales: en primer lugar, es una técnica adecuada para realizar búsquedas en espacios de dimensión elevada, como en este caso Por otro lado, el método impone pocas restricciones de tipo matemático en la forma de la función a optimizar, de tal manera que es aplicable a la generación de trayectorias para cualquier tipo de comportamiento (evitar obstáculos, seguir paredes, etc.). Operadores genéticos Selección: Cada individuo tiene una probabilidad de ser seleccionado para reproducirse y pasar a la generación siguiente que será proporcional a su adecuación. Cruce: este operador combina los comandos de dos trayectorias para obtener una trayectoria mejor. Para ello se calcula de manera aleatoria un punto de cruce para cada una de los cromosomas que representan a las dos trayectorias y se intercambian las partes que quedan a la derecha de los respectivos puntos de cruce. Como el punto de cruce será en general distinto para cada uno de los “padres” este método da lugar a individuos de longitud variable. Mutación: la mutación consiste en variar aleatoriamente el valor de un comando cv o cw con el objeto de modificar una trayectoria de la población actual. Aprendizaje y clasificación de situaciones
Una vez se han generado un conjunto de trayectorias correctas para el
esquema que se está aprendiendo, se trata de caracterizar las situaciones en las que el robot se va a encontrar cuando evolucione siguiendo ese esquema. Modelamos el estado en el que puede encontrarse un robot móvil evolucionando por un entorno mediante: un mapa de denso de profundidad observado por el robot A partir de las trayectorias generadas por algoritmo genético se generan los estados que ha encontrado el robot en su evolución Análisis de Componentes Principales
El análisis de componentes principales ha sido utilizado con éxito
recientemente en la comunidad de visión artificial para representar imágenes de caras humanas y para reconocer imágenes de caras. . Este auto vector constituye la dimensión de un subespacio de muestras, denominado el auto espacio, en el que las muestras se pueden representar de forma compacta. Utilizaremos este enfoque aplicándolo al conjunto de mapas de profundidad de cada una de las situaciones.